综述：系统综述：注意力机制在医学超声图像处理中的应用

《Ultrasound in Medicine & Biology》：A Systematic Review: The Application of Attention Mechanisms in Medical Ultrasound Image Processing

　　

韦特·冯 | 上天·孙 | 志晓·薛 | 永红·史 | 公平·陈

摘要

在众多的医学成像方式中，超声成像是一种在临床实践中最常用的诊断方法。然而，超声诊断在很大程度上依赖于医生的经验，且诊断结果往往缺乏可重复性。近年来，随着人工智能技术的快速发展，为医学超声图像的自动化处理和分析提供了新的动力。在提出的众多深度学习方法中，注意力机制已成为提高网络鲁棒性的关键组成部分，以应对超声成像中的挑战，如低对比度、边界模糊和物体形态变化等问题。本文系统地回顾了应用于医学超声图像分析的注意力机制，这些机制可以根据特征关注维度的不同大致分为三类：通道注意力、空间注意力和混合注意力。最重要的是，我们不仅总结了各种注意力机制的应用场景和有效性，还分析了未来可能面临的挑战。

引言

由于超声成像具有非侵入性、实时性和无电离辐射的特点，它已成为医学诊断和干预的重要手段。近年来，随着换能器设计、电子技术、计算机和信号处理的进步，超声图像的质量得到了显著提升 [1]。其应用范围从妇产科到心脏病学和肿瘤学。然而，尽管超声成像被广泛使用，但它仍然存在固有的局限性，如散斑噪声、声学阴影和回声伪影，导致信噪比低和组织边界模糊，从而难以进行准确的分割。此外，图像质量和解释能力在很大程度上取决于操作者的技术和经验 [2]。这些挑战会降低图像质量并影响诊断的准确性。

传统的图像处理技术已被用来应对这些挑战，但它们往往无法捕捉超声图像中复杂的现象和特征。近年来，基于深度学习的方法在提高超声图像的质量和可解释性方面展现出了潜力。特别是注意力机制发挥了重要作用。它通过动态特征选择的能力（如空间注意力和通道注意力），能够有针对性地关注可疑病变区域，同时抑制无关的噪声通道，从而直接改善了信噪比 [3]。它在模拟长距离依赖关系方面的能力（如自注意力机制所示），有助于利用全局上下文信息来解析模糊的组织边界 [4]。此外，注意力权重图可视化了模型的关注区域，模仿了专家的细致观察，从而提高了临床可解释性，如图 1 所示 [[5], [6], [7]]。例如，协调优化哪些特征需要强调以及将焦点指向何处，可以显著提高在复杂成像伪影下的特征表示的鲁棒性。

在这项调查中，我们旨在全面概述注意力机制在超声图像处理中的应用。通过综合现有文献并突出关键进展，本文旨在提供关于利用注意力机制增强超声图像分析的最新技术、挑战和未来方向的见解。与现有的综述相比，本文系统地将超声图像处理中的注意力机制分为三类：通道注意力、空间注意力和混合注意力，如图 2 所示。我们重点关注它们在各种特定于超声的任务（如分割、检测、分类和增强）中的定制设计和性能提升。此外，本文还包含了 12 个身体部位的 2D、3D 和视频超声图像。为了确保调查的全面性，我们从 ScienceDirect、PubMed、IEEE Xplore 和 Web of Science 等数据库中系统地检索了相关文献。我们的综述主要关注 2015 年至 2025 年期间的研究。

章节摘录

通道注意力

通过选择性强调信息丰富的通道，通道注意力机制在优化图像处理效果方面具有很强的通用性和便利性。如图 3 所示，李等人提出的全局注意力上采样（GAU）模块 [8] 使用全局池化来提供指导低级通道间特征选择的全局信息。曲等人将 GAU 和深度监督引入全分辨率残差网络（FRRN）中，用于乳腺超声图像的处理

空间注意力

与调整特征图通道间的权重相比，空间注意力关注特征本身在特征图内的重要性。它通过选择性关注相关的空间信息来增强超声图像处理的区分能力。本节回顾了医学超声成像中的空间注意力机制。结构如下：第 3.1 节介绍了基本的全局注意力门（AG）机制。第 3.2 节讨论了...

混合注意力

同时应用多种注意力机制是寻找最佳医学超声处理方法的主流方法 [71,72]。通过整合空间、通道和时间注意力信息，网络巩固了各种注意力机制的优势，实现了全面的优化。

综合分析

前几章系统地回顾了通道注意力、空间注意力以及结合时间注意力的混合注意力机制在医学超声图像处理任务（如分割、分类和检测）中的原理和应用。本章旨在提供综合分析，阐明主流范式，总结应用趋势，识别现有瓶颈，并指出未来发展方向。

目前，注意力...

结论

由于超声成像的独特特性，获取的超声图像容易受到诸如低对比度、边界模糊和物体形态变化等干扰。注意力机制通过动态选择重要特征和抑制无关噪声，显著提高了卷积神经网络（CNN）在超声图像分割、分类和检测等任务中的鲁棒性和泛化性能。本文系统地回顾了...

致谢

本项工作得到了中国国家重点研发计划（2025-AIFZZD-03007）和天津市教育委员会（2025KJ005）的支持。

利益冲突

作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

数据可用性声明

作者无法访问公开可用的数据集。如果您需要这些数据集，可以从相关文献中请求。